局部色调映射

抽象概念-----色调映射运算将高动态范围图像在低动态范围显示设备例如监视器、印刷品上显示。

本篇文章中，我们描述了一种局部色调映射的运算法则，高动态范围输入利用K-means算法和一种自动设置的各个分开区域的显示伽马参数。

导言
色调映射（色调映射）算法是一种方法，映射现实世界中的亮度与高动态范围（高动态范围）与有限的动态范围的显示设备的亮度。

这是高动态范围，[0，∞），辐射图映射到有限的动态范围，例如，[0，1）[0，255）由色调映射算法。

色调映射算法用于压缩的对比度，同时保持颜色与高动态范围的辐射图的比例和细节。

近年来，各种色调映射算法已经提出了压缩动态范围的图像或视频，而保留细节组成部分[1，2]。

为了加强的对比度，色彩和细节部分，已开发各种色调映射算法，但有时假的颜色在色调映射图像出现[3-6]。

准备显示彩色图像的亮度动态范围压缩和色彩校正进行颜色比之间的亮度（L）和颜色分量（R，G和B）的辐射图（映射图）。

为了提高有限的动态范围的显示设备上的对比度、色彩和细节，各种色调映射算法被开发出来。

各种色调映射算法分为全局和局部的亮度压缩方法。

全局色调映射应用到每一个像素的图像[6-14]相同的色调映射曲线。

他们很简单、快速，因为对于每个像素使用了相同的映射曲线，独立于辐射图中的相邻像素。

它们包括对数变换，伽玛校正，直方图均衡化，线性映射[13]。

大多数全局色调映射算法具有非线性映射功能，根据人类视觉系统（HVS）的[6-14]。

局部色调映射算法
[6，15-23]在图像的不同区域使用不同的色调映射曲线。

段魁的算法，形成一个新的阶调再现曲线和压缩高动态范围图像，以加强局部的对比[15]。

ICAM算法，一个新的外观形象模型，采用空间滤波边缘保持与人类视觉感光响应函数在双处理框架[16]。

这些方法是不够的，以提高对比度，代表颜色，并减少光环效应。

以前的工作在亮点区域（突出区域）产生假轮廓。

色彩校由全局映射执行[3-7]。

以前的色彩校正方法产生的颜色比保存的色调，色彩饱和度控制的非线性和线性映射的彩色图像。

里克提出了色彩校正方法来保存颜色的比率。

后来在许多色调映射算法中，使用非线性色彩校正功能，以控制色彩饱和度[4，6，19，21]。

mantiuk 等人提出了一种线性的色彩校正功能（函数），保持原始图像的颜色后色调映射。

线性色彩校正方法扭曲的色调，但是相对于非线性色彩校正功能（函数）更好地保留亮度。

本文提及的色调映射算法使用利用压缩的辐射图亮度计算的的局部的自适应伽玛值进行自动色彩校正。

在拟议色调映射算法，亮度分量的高动态范围辐射图双边过滤器过滤。

根据双边过滤的亮度，图像被分为使用K-means算法的区域，然后使用各区域的平均值确定显示器的伽玛值。

提及的色调映射算法，提高了局部的对比度和抑制，如晕神器，假彩色，假轮廓的工件。

显示色调映射曲线的伽玛值是考虑局部区域的平均值，自动选择。

本文的其余部分安排如下：第二节提出了色调映射算法，使用K-means算法，在图像分割成K集群上根据双边筛选亮度。

三套低
动态范围（LDR）的图像是在第三节，提及的色调映射算法的有效性的实验结果。

最后，第四节结束的文件。

二。

提出的算法
提及的色调映射算法构造的色调映射图像输入，这是一个高动态范围辐射图。

要生成的高动态范围辐射图，我们使用Debevec和马利克的算法[24]和使用三个不同曝光的LDR图像。

图1显示了的拟议色调映射算法框图。

输入，高动态范围辐射图，CIN 是使用三幅低度，中度，过度曝光的LDR图像生成。

高动态范围辐射图CIN用于局部色调映射自动语音压缩块。

每块在下面的小节描述。

A.初始分组
图2利用嘉年华的LDR图像显示了提及的色调映射算法的步骤（过程、程序，procedure），。

图2（a）显示三幅低度、中度、过度曝光的LDR 图像（曝光时间：1/45秒，1/2，1/3秒，光圈：F /6，ISO：400，大小：3072×2048），其中LDR中暴露的形象是一个参考的LDR图像。

图2（b）说明输入和其直方图的亮度。

在高动态范围输入的亮度是表示浮点值（floating-point values）。

在提及的色调映射算法，高动态范围辐射图的亮度分量被双边滤波器过滤，然后作为一个初步的全局映射由对数函数进行映射。

为了维持边缘平滑，双边滤波器认为不仅在空间域的邻近像素之间的几何接近，而且在强度域的强度相似[25]。

双边过滤亮度~L被定义为
s r ~in in in q 1p =
p-q p -q q k p L G G L L L ∈Ωσσ∑（）（）（（）（））（）（） ~L 表示输入的亮度定义，G 代表高斯函数，Ω标志着相邻像素的中心像素在P 组，下标的s σ和r σ表示高斯权函数在空间域和强度域的标准偏差。

正规化期限k （p ）被定义为
s r in in q k p =p-q p -q G G L L ∈Ωσσ∑（）（）（（）（））
边缘保持平滑的双边滤波器。

图2（c ）显示输入和其直方图的双边滤波亮度。

强度σs 和σR 在实验中分别设置为2和80。

双边滤波的亮度（图2（c ））的直方图比没有双边滤波（图2（b ））的亮度的直方图更加广大。

也就是说，双边滤波直方图拉伸，而边缘保留效果。

首先，提及的色调映射算法利用一个简单的全局色调映射来增强全局对比度，然后使用局部色调映射。

全局首次双边过滤亮度映射由
~
out p =log q L L （）（（））执行 Log （·）表示对数函数是用近似非线性全局色调映射考虑HVS 的。

对数函数被用于不同的reninex 算法[26，27]。

在这里提及是为了加强全局在初始全局映射中的过滤亮度的全局对比。

使用对数函数的初始全局映射压缩过滤亮度非均匀映射曲线。

其输入输出特性表明映射值（过滤的亮度，在图2（C ）），密集分布在小的亮度值范围和粗略分布在其他范围内。

图2（d ）显示最初的全局映射的亮度out L 和其直方图。

然而，最初的全局映射的亮度out L 是不足以有效地代表的色调映射图像的局部对比度。

B.区域分组使用K-means 算法
在拟议色调映射算法中，K-means 聚类块的输入是初步的全局映射的亮度。

从具有高动态范围的现实世界的场景的亮度到具有有限的动态范围的设备的亮度的映射自适应映射到每个局部区域。

提及的当地色调映射算法根据初步的全局映射的亮度将图像分割成一系列的局部区域。

图2（e ）和2（F ）分别表明没有与有双边滤波的聚类结果。

图2（e ）显示的是具有孤立像素的分割区域，区域数ķ设置为16。

图2（f ）显示与K 等于16和双边滤波，在孤立的像素将被删除，增加双边过滤的亮度对比度的聚类结果。

在K-means 聚类块，使用传统KMEANS 算法[28，29]，我们根据最初的全局映射亮度out L 将图像分割成K 个集群区域。

在K-means 算法给每个像素集群的重心是在集群中的所有像素的平均值。

在该算法中，让k m 是第k 个群集的平均值。

集群的K 均值向量m 的定义为 1[,,,,]T
m k K m m m =L L 和分割区标记为M(p)=k ，1k K ≤≤
图2（G ）显示没有双边滤波的色调映射图像及其直方图，而2（H ）说明存在双边滤波的色调映射图像及其直方图。

图F2（g ）中的色调映射图像是浑浊的，并且拥有比图F2（H ）更加狭窄的动态范围。

C.局部色调映射和自动伽马设置
图3根据显示器的伽玛值γ显示了相同的伽玛值能够应用到图像中的所有像素的色调映射图像。

图3（a ）、3（b ）项和第3（c ）分别显示γ= 0.3，1.0，2.2色调映射图像（左）和扩大区域（中心：路灯/建筑，右：天空/面），红色框代表两个扩大区域。

在最亮（过饱和）
的区域，如路灯（中心）和天空（右），当γ≤1.0时，色调映射图像的颜色和对比度看起来很自然的，而γ> 1.0时，那些看起来非自然。

最糟糕的是，在天空和面具周围的冲虚假轮廓图由大型γ产生。

在第3（c ）图中。

而在暗区如建筑物内部，色彩和细节组件内能偶很好的在色调映射图像中显示，在γ≥1.0，如图第3（c ）所示。

黑暗区域的对比度增强是不够的，伽玛值是非常低的去呈现颜色值，在图3（a ）中。

在提及的色调映射算法，K 集群的平均向量m 用于为了色彩校正的伽玛值的自动设定。

也就是说，提及的色调映射算法利用由初始全局映射确定的伽马值生成颜色色调映射图像。

k 代表第k 个群集的标签，伽玛值k γ由k k a
m γ=算得，依据初始全局映射的亮度，其中a 是规模
常数，0≤a ≤1，m k 是k 个簇的平均，1k K ≤≤。

伽玛值k γ是根据比例常数a 按比例确定的，与第k 个集群的局部平均m k 成反比。

提及的色调映射算法将伽玛值限制在一个固定的最大值。

即自动选择的伽玛值表示为
max min{,}k k a m γγ=，其中γmax 是最大的伽玛值，max 0k γγ≤≤。

K 集群的伽马向量γ定义为1[,,,,]T
k K γγγγ=L L 。

图4利用三个嘉年华的LDR 图像显示了根据不同的比例常数a 自动设置伽马值。

图4（A ），4（b ）和4（c ）是作为局部的平均亮度，这是由计算式功能的伽玛值。

（6）（7）k =8，16，和32个集群，分别。

KMEANS 聚类块，最初的全局映射LOUT 亮度，输入调整到正常化（最大亮度LOUT= 1），并量化成一个级别的数量有限，这是设置为256
双边过滤的亮度大号~~在实验中。

随着k的增加，伽玛值过高会增加，即EQ。

（6）给出了一个大型的伽玛值，如果集群的平均值大K案件是非常小的。

最大的伽玛值γmax的=2.2强度范围是有限的，因为伽玛值是非常高，在低亮度范围和伽玛值量过大导致假轮廓和假彩色等文物。

图5说明不同的最大伽玛值γmax的效果，在色调映射图像=0.3和K= 163嘉年华使用LDR图像。

图。

5（A），5（b）项和第5（C）是tonemapped 图像（左）和扩大区域（中心：墙，右：街道）与γmax= 1.8，2.2和4.0，分别为红色框，其中图。

（二）扩大代表两个区域。

图。

5（C）与γmax= 4.0，假色出现在黑暗的区域，因为过量的伽玛值小，在黑暗中区域的平均值计算，在扩大区域所示。

在本文中，我们使用固定的最大的伽玛值γmax= 2.2，和伽玛值比γmax=2.2使假色图所示。

5（C）
图6说明了三个测试的LDR图像集自动伽马设置不同的数字集群=0.3，钾，和γmax= 2.2（狂欢节，威尼斯，大堂）。

图。

（6），6（b）项和第6（c）显示显示器的伽玛值，平均亮度的功能，集群与K MK= 8，16，32，分别。

正如图所示。

6，在局部的平均的MK从而伽玛值ΓK随不同的LDR图像集。

红色虚线椭圆显示伽玛值（图6（a））的第二，第三（图6（b）条），第五（图6（c））集群，分别为三的LDR 图像集。

随着k的增加集群的伽玛值在同一个集群的差异。

图。

6（三），三个伽玛值LDR图像集没有太大的差别。

也就是说，集群的数量增加时，我们可以使用局部色调映射固定伽玛值的输入无论LDR图像集，
计算时间增加。

我们在实验中使用的计算时间和自然的色调映射的彩色图像的颜色再现之间的权衡考虑k =16。

图7所示色调映射图像，不同规模的常数a。

图。

7（一），7（b）项和第7（c）说明了色调映射图像（左）和扩大区域（中心路灯/街道：天空/脸，右）=0.1，0.3和1.0，分别在图中红色框。

7（二）扩大代表两个区域。

图，而图7（a）所示的低对比度和泥泞的色调映射图像A = 0.1。

7（c）显示，过多的对比度和最亮的区域（中心，右两侧）文物。

我们实验设置0.3。

在拟议色调映射算法，我们使用自动色彩校正伽玛设置。

使用自动色彩校正块伽玛值计算考虑的是在K-means聚类块分割的局部区域的统计特性。

也就是说，伽玛值自适应确定在每一个局部区域。

非线性色彩校正功能[6，19，21]定义了C P
IN OUT（9），其中γ控制色彩饱和度和LOUT 代表初始全局映射后的亮度。

式的非线性色彩校正功能的缺陷。

（9），在过饱和区域的亮度变化给一个不良的副作用[3]。

线性色彩校正功能保留的亮度，并降低了计算时间。

我们使用线性色彩校正功能，与局部的适应性伽玛值。

第三。

实验结果与讨论
我们使用三种LDR图像设置显示提及的色调映射算法的有效性。

图8显示了在实验中使用的LDR图像集。

图。

8，红盒（中心）扩大代表两个区域。

图第8（a）显示了三个威尼斯LDR图像下，中旬，过度曝光（曝光时间由左到右：1/750秒，1/180秒，1/45秒，光圈：f/6.7，
ISO：100，大小：1752×1168）。

图8条第（二）说明了三个大堂LDR 下，中旬，过度曝光（曝光时间由左到右：1/100秒，1/30秒，1/10秒，光圈：F /8的图像，ISO：100，大小：1200×798）。

图8（c）显示三个仓库图像下，中旬，过度曝光（曝光时间由左到右：1/4000秒，1/1500秒，1/350秒，光圈：F / 2，ISO：100，尺寸：2336×1552）。

LDR具有的midexposure的图像被选中作为参考LDR图像图。

8。

图。

8，图像低对比度图像含有不良暴露与动态范围狭窄的黑暗和明亮区域的LDR。

结合3的LDR图像的同一场景，但与下，中期，过度暴露产生的高动态范围辐射图。

五色调映射算法的实验结果表明：对数变换[13]，莱因哈德等人的算法[14]，段魁的算法[15]，ICAM算法[16]，该方法。

图9比较色调映射图像（顶部）和他们的扩大区域（左下角（A区）：游艇/建筑：天空/建筑，右下角（B区））图。

8（一），这是由四个传统算法和提及的色调映射算法生成的。

图LDR图像，这是中旬曝光和低对比度图像（威尼斯），9（a）给出一个参考。

LDR图像下，中旬，在图曝光过度。

第8（a）在日落。

双方的建筑物是暗，LDR下在A和B图扩大区域和图像中曝光的图像。

8（a）和天空区域中曝光过度的图像饱和。

图9（b）说明通过对数变换的色调映射图像，其中虚假的轮廓和不受欢迎的颜色变化，在天空中出现。

扩大区域A和B 都黑了，由于没有足够的对比度增强。

图。

9（c）和9（d）显示莱因哈德等人的段魁的算法，分别在天空的颜色是比图的色调映射图像。

9（B），但对比是不够的。

图9（e）显示的的ICAM算法，在高
对比度和细节被保存在天空区域tonemapped形象，然而，在扩大区域A图出现假色。

9（F）说明提及的色调映射算法，其中颜色是自然的和对比度高的色调映射图像。

在扩大区域的假彩色消失，颜色是扩大区域B.重建
图10比较的色调映射图像（顶部）和他们的扩大区域（左下角（A 区）：植物/台灯：窗口/圆桌会议外，右下角（B区））图。

8（B），这是从四个传统的算法和提及的色调映射算法重建。

和室内外显示，但是外面是明确的，而室内是黑暗的，因为没有在一个房间里的光线，在LDR图像下和中期风险图。

8（B）。

换句话说，对外界的看法是饱和的，因为光线和室内外的物体看起来自然的过度曝光LDR形象图。

8（B）。

图10（a）显示参考LDR形象，这是一个中等风险和lowcontrast 图像（大堂）。

图10（b）显示的色调映射图像，通过对数变换，其中意外出现颜色的变化。

图。

10（c）和10（d）显示莱因哈德等人的段魁的算法，分别在颜色比图更自然的色调映射图像。

10（B）。

然而，对比是不够的。

图10（e）条说明由ICAM算法，高对比度外tonemapped形象，而内低。

图10（f）显示提及的色调映射算法，其中外高对比度，以及室内物体，如一个玻璃桌子和鲜花的颜色的色调映射图像生动（扩大区域）。

图。

10（F），提及的色调映射算法呈现在双方都优于其他算法（扩大区域B）台灯的颜色。

图LDR图像（上）和其扩大区域（左下角（A区）：面：天空，右下角（B区））图11（a）显示中暴露。

8（C）。

在图的LDR图像。

8（三）有全局和局部的议案。

为了生成没有鬼工件的辐射图，我们用
最低等的算法[30]在实验中。

区域A和B是过饱和曝光过度的区域的LDR图像。

在这些区域的色调映射图像，工件产生错误的辐射值超过饱和区。

图。

第11（b），11（C），11（d）和11（五）通过对数变换，莱因哈德等人，段魁的和ICAM算法的，分别显示tonemapped图像。

在图。

11（B），11（C），11（D），假的颜色产生。

虚假轮廓出现在面对区域图B。

11（D）。

图11（F）说明提及的色调映射算法，其中颜色是自然的和对比度高的色调映射图像。

在扩大区域的假彩色一个消失，肤色重建以及扩大区域B.
总之，实验结果表明，几个测试的LDR图像设置提及的色调映射算法重现色调映射中的亮点区域比传统算法更好的色调映射图像的颜色。

这是因为该提及的色调映射算法的色彩校正，伽玛值，考虑局部区域的统计特征，是由K-means聚类算法分割的自适应选择。

四。

结论
本文提出了一种使用KMEANS算法和自动伽马设置的局部色调映射算法。

提及的色调映射算法由最初的全局映射，区域分组，自动色彩校正。

该区域使用K-means算法的分组划分成K集群双边过滤的亮度，并产生k个类和他们的手段，这是使用局部色调映射伽玛设置自动色彩校正块。

提及的色调映射算法的彩色图像色调映射提供了更好的图像质量比传统的色调映射算法。

也就是说，该算法有效地提高局部的对比，考虑局部区域分割的K-means算法的统计特性选择自动伽马值和颜色。

显示提及的色调映射算法有效地提高了局部的LDR图像的对比度和
呈现颜色自然。

它可以用来作为显示设备对比度增强后处理。

进一步的研究将侧重于提高亮度压缩和细节增强。

在色调映射的外观颜色也将被视为改善色调映射的彩色图像的颜色。